Forschung

Zusammenhang von Aerosolgehalt und Landnutzungsveränderungen aus Fernerkundungsdaten - AerosolLand

Fernerkundliche Verfahren erlauben das Monitoring der räumlichen und zeitlichen Verteilung von Aerosolen, die erheblich die Luftverschmutzung und Gesundheit beeinflussen. Hyperspektraldaten ermöglichen eine bessere Unterscheidung physikalischer und chemischer Eigenschaften der Aerosole in der Atmosphäre. Hierzu wurde ein Ansatz für erdgebundene Hyperspektralbildaufnahmen entwickelt, der horizontal eine spektrale Erfassung der Aerosole in der Luft ermöglicht. Die Methode erlaubt die Erfassung der Konzentrationen gemischter Aerosolverteilungen (< 2,5 μm) im urbanen Raum (~ 1 km Distanz). Da die größendifferenzierte Erfassung der Aerolsolkonzentration aus den Spektraldaten ein nicht eindeutig lösbares Problem darstellt, soll die Modellierung die Landnutzung / Landbedeckung (LU/LC) berücksichtigen, um eine eindeutige Lösung zu ermöglichen.

Daten unterschiedlicher Fernerkundungssysteme (erdgebundene Hyperspektraldaten und Satellitendaten) werden für das durch heterogene Landnutzungsstrukturen charakterisierte Arbeitsgebiet in Israel erfasst. Die Satellitendaten werden durch Geländemessungen validiert. Unterschiedliche LU/LC Parameter werden analysiert, um deren Effekte auf die Größenverteilung
der Aerosole abzuschätzen. Die Resultate werden untereinander verglichen,
um zu beurteilen, wie sich zukünftige Veränderungen in der LU/LC auf die Aerosolverteilung und Konzentration auswirken. Ziel ist zu beurteilen, welche Veränderungen die Aerosolverteilung beeinflussen und Gesundheitsrisiken reduzieren. Dabei wird erwartet, dass die LU/LC Informationen die Aerosolabschätzung aus Hyperspektraldaten deutlich verbessern kann.

Aus unterschiedlichsten Sensordaten (z. B. Satellitendaten, Kameras auf Drohnen (RGB, hyperspektral), Laser (3D, 2D), Sensordaten mobiler Roboter, stationäre Sensordaten) sollen Modelle für landwirtschaftlich genutzte Flächen und deren aktuelle Bestandssituation generiert werden. Diese Modelle sollen anschließend automatisch interpretiert und ausgewertet werden, um in einem Schlussfolgerungssystem dem Landwirt Handlungsempfehlungen zu geben.

Use Case 1: Lokale Beikrautdetektion zur Beikrautregulierung

Pflanzenbestände sind durch Inhomogenitäten gekennzeichnet, die sich je nach Jahreswitterung, Fruchtfolge etc. räumlich verschieden darstellen. Auf Basis von multimodalen Sensordaten sollen digitale Entscheidungshilfen für den Landwirt geschaffen werden, die Empfehlungen für Zeitpunkt, Ort, Art und Intensität der Beikrautbehandlung geben können. Die anfallenden Sensordaten können in einem zweiten Schritt darauf geprüft werden, ob sie Rückschlüsse auf durch Pflanzenstress oder –krankheiten verursachte Bestandsanomalien erlauben. Eine Erfolgskontrolle findet mittels Kamerabildern aus Drohnenbefliegungen statt.

Use Case 2: Anteile von Klee in Kleegrasbeständen

Die Bestandszusammensetzung von Grünland entwickelt sich ausgehend von einem anfangs etablierten Zustand je nach Boden und Bewirtschaftungsform unterschiedlich. Mit multimodalen Sensordaten soll eine räumlich unterteilte Abschätzung der zu erwartenden Biomasse stattfinden sowie eine Differenzierung des Bestandes nach Anteilen an Klee und Gras vorgenommen werden. Der Einsatz von Kamerabildern aus Drohnenbefliegungen kann so dem Landwirt helfen, die richtige Bewirtschaftungsmaßnahme zu planen und evaluieren.

Agri-Gaia: ein agrarwirtschaftliches KI-Ökosystem

Teilprojekt (TP): Agrarfernerkundung und rechtliche Aspekte des Betreibermodells

Im Projekt Agri-Gaia wird eine Plattform entwickelt, die einen umfassenden Datenaustausch in der Landwirtschaft ermöglichen soll. Im Bereich der Agrarfernerkundung sind Innovationen des Teilvorhabens unterschiedlichen Teilbereichen zuzuordnen. Ein Teilziel stellt die Charakterisierung von Pflanzen durch simulierte multi- und hyperspektrale Trainingsdaten dar. Mit synthetischen Daten können Prognosemodelle erstellt werden, die Aussagen über die zukünftige Entwicklung von Pflanzen im Bestand erlauben. Ein weiteres Teilziel ist die Pflanzendetektion und -lokalisierung in Ackerkulturen, um Beikräuter zu erkennen und entsprechende Maßnahmen einleiten zu können. Um Anomalien festzustellen und eine Standortcharakterisierung vorzunehmen, sollen KI-basierte Bestandskartierungen durchgeführt werden. Diese teilflächenspezifischen Informationen zu Boden- und Pflanzeneigenschaften werden mit meteorologischen Daten zur räumlich differenzierten Standortbewertung verknüpft. Basierend auf der räumlich differenzierten Bewertung der Standortbedingungen landwirtschaftlicher Nutzflächen kann der Landwirt seinen Acker kleinflächenspezifisch bearbeiten und somit nachhaltig bewirtschaften.

Die Juristische Fakultät der Universität Osnabrück beschäftigt sich in Agri-Gaia mit den rechtliche Aspekten des Betreibermodells der Agri-Gaia Plattform  Prof. Dr. Mary-Rose McGuire: Intellectual Property-Policy;  Prof. Dr. Bernd J. Hartmann: Fragen des Datenschutzes.

CARPE MEMORIAM

Ein betriebsübergreifendes digitales Flächengedächtnis für die effizientere Landwirtschaft

Während in der Vergangenheit landwirtschaftliche Betriebe und die mit ihnen verbundenen Nutzungserfahrungen häufig über Generationen innerhalb der Familie weitergegeben wurden, werden heute Betriebe vielfach verpachtet oder verkauft. So erfolgt ein Betreiberwechsel nicht mittels einer jahrelangen gemeinsamen Übergangs- und Lernphase, sondern in kurzen Zeiträumen und zwischen fremden Instanzen. Das über Jahrzehnte gewonnene Wissen geht dabei verloren und muss neu gewonnen und erlernt werden. Hieraus ergibt sich neben der Notwendigkeit zur Wissenserlangung auch die Notwendigkeit zum Aufbau betriebsübergreifender Wissensspeicher, die es im Falle von Übergängen landwirtschaftlicher Betriebe und Flächen ermöglichen, das über die spezifischen geographischen Rahmenbedingungen erlernte Wissen weiterzugeben.

Übergeordnetes Ziel dieses Projekts ist, die Digitalisierung in der Landwirtschaft voran zu treiben. Dies wird durch den Einsatz von neuen Informations- und Kommunikationstechnologien erreicht. In CARPE MEMORIAM wird das Konzept für ein betriebsübergreifendes Flächengedächtnis entwickelt und prototypisch umgesetzt. Das Flächengedächtnis beruht auf betriebsinternen und -externen Daten (z.B. Aufzeichnungen der Landwirte, Luftbilder, Katasterdaten) sowohl historischer Art als auch auf Daten laufender Prozesse (z.B. Maschinendaten, Umweltdaten, manuell eingegebene Daten).

Es wird insbesondere auch erforscht, inwieweit neue hochauflösende Satellitenbilder, mit Drohnen erfasste Daten, sowie in-situ Sensorik eingebunden werden können. In der Vergangenheit gewonnenes individuelles Wissen der handelnden Akteure und bereits existierende Daten unterschiedlicher Quellen werden so im Flächengedächtnis zusammengeführt. Informationslücken können durch Satellitendaten und neue Daten unterschiedlicher Sensorik gefüllt werden. Die Integration neuer Daten gewährleistet zudem die kontinuierliche Aktualität des Systems und erlaubt daher auch ein Flächen-Monitoring. Die entwickelte Architektur sichert durch offene Schnittstellen die Interoperabilität mit FarmManagement-Systemen. Mit dem Flächengedächtnis als digitaler Wissensbasis lassen sich die landwirtschaftlichen Prozesse vegetationsperiodenübergreifend optimieren.

Neben der Erstellung eines Konzeptes für das Flächengedächtnis sollen in CARPE MEMORIAM Vegetationsparameter mit multipler Sensorik in heterogener, sich ergänzender räumlich-zeitlicher Auflösung erfasst werden. Heute lassen sich mit verfügbaren Satelliten (u.a. Sentinel), Befliegungen (u.a. durch selbst entwickelte Drohnen) und in-situ Sensorik im Feld (an Nutzfahrzeugen oder stationär ausgebracht) Sensordaten gewinnen, die zu einem hochgenauen „Lagebild“ fusioniert werden können. Dieses Lagebild dient auch dazu, das Flächengedächtnis zu befüllen. Ein selbst entwickeltes UAV System mit direkter Kommunikation zum Server ermöglicht eine Individualisierung der Aufnahme- und Auswerteprozesse. Letztlich wird dadurch ein optimiertes Anbaumanagement ermöglicht und mit Entscheidungshilfen das jeweilige Ertragspotenzial am besten ausgeschöpft

CognitiveWeeding: Selektives Unkraut- und Beikrautmanagement mit Hilfe Künstlicher Intelligenz

Im Projekt CognitiveWeeding sollen durch Einsatz von Sensorsystemen Unkräuter und Beikräuter auf landwirtschaftlichen Nutzflächen unterschieden werden. Als Unkraut wird eine unerwünschte und problematische Pflanze im Bestand und als Beikraut eine wirtschaftlich unkritische Pflanze bezeichnet. Die Pflanzen werden durch drohnen- und bodengestützte Sensorsysteme detektiert und anschließend in Bei- und Unkräuter klassifiziert. Die Klassifizierung erfolgt unter Berücksichtigung des betriebsspezifischen Pflanzenbaus. Ziel ist es, mithilfe der erfassten Daten unter Beachtung der Standort- und Witterungsbedingungen, eine Handlungsempfehlung zu einem selektivem Beikrautmanagement geben zu können. Hierdurch kann der Einsatz von Pflanzenschutzmitteln reduziert und eine mechanische Unkrautregulierung gezielt durchgeführt werden. Beikräuter können somit als Lebensraum für Insekten dienen und zur Steigerung der Biodiversität in intensiv genutzten Agrarräumen beitragen.

Weiterführende Informationen zu DryLand erhalten Sie per Email von  Dr. Thomas Jarmer oder  M.Sc. Martin Kanning.

Development of methods for mapping urban surfaces, using EnMAP and multisensor data (EnFusionMap)

The main objective of the joint research project is the development of adequate methods for analyzing EnMap data and focus on the enhanced monitoring of urban areas. The project takes place in close cooperation with project partners at the University Bochum. Our subproject aims at the development of adequate methods for (i) (subpixel)-classification of urban areas, using hyperspectral data and (ii) fusion of hypespectral data with TerraSAR-X and RapidEye data. Various approaches for sub-pixel analysis of EnMAP were tested. Moreover, Convolutional Neural Networks (CNN) were adapted for mapping local climate zones.

Project Duration: 11/2014 - 02/2018

Principal Investigator: Prof. Dr. Björn Waske

Projects staff: Johannes Rosentreter

Project partners:

-       Prof. Dr. Carsten Jürgens, Ruhr-Universität Bochum, Geographisches Institut, AG Geomatik

-       Dr. Uta Heiden, Deutsches Fernerkundungsdatenzentrum (DLR-DFD), Team „Angewandte Spektroskopie“

Funding:  German Aerospace Centre (DLR) - Project Management Agency (Gefördert durch die Bundesrepublik Deutschland, Zuwendungsgeber: Raumfahrt-Agentur des Deutschen Zentrums für Luft- und Raumfahrt e.V. mit Mitteln des Bundesministeriums für Wirtschaft und Technologie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestages unter dem Förderkennzeichen 50 EE 1343).

Monitoring Farmland Abandonment by multitemporal and multisensor remote sensing imagery (MOFA)   

The research project studies an area in the border region of Poland and Ukraine. With the fall of the Iron Curtain the region experienced drastic changes in political and socio- economic structures. Large farmland areas become abandoned and gradual processes of forest succession take place on the abandoned land. The aim of the project is the development of adequate strategies to monitor farmland abandonment, using multitemporal SAR and multispectral remote sensing data. Finally enhanced maps should be provided, which enable more detailed analysis of the gradual process of land cover transitions.

Project Duration: 01/2012 - 12/2013 and 1/2014 - 12/2014

Principal Investigator: Prof. Dr. Björn Waske            

Projects staff: Jan Stefanski (University Bonn)

Project partners:

-       Prof. Dr. Tobias Kümmerle, Biogeography and Conservation Biology Group, Humboldt-University of Berlin

-       Dr. Oleh Chaskovskyy, Ukrainian National Forestry University, Lviv (Ukraine)

Funding:  DFG - German Research Foundation (WA 2728/2-1, WA 2728/2-1)

The project aims on the development of methods to map and quantify the biomethane potential of crops. The sub-project deals with the development of adequate classification and regression strategies for an enhanced mapping of energy crops and retrieval of biophysical parameters by combining SAR and hyperspectral images. The specific aims of the projects are (i) development of a one-class-classifier (OCC) for mapping energy crops, (ii) adaption of recent regression methods (e.g., support vector regressions) and further development of ensemble based regression methods, and (iii) development of innovative concepts for sensor fusion to estimation biophysical parameters with higher accuracy.

Project Duration: 07/2010 - 06/2013

Principal Investigator: Prof. Dr. Björn Waske

Projects staff: Ron Hagensieker

Project partners:

-       Prof. Dr. Thomas Udelhoven, University Trier

Funding: German Aerospace Centre (DLR) - Project Management Agency (Gefördert durch die Bundesrepublik Deutschland, Zuwendungsgeber: Raumfahrt-Agentur des Deutschen Zentrums für Luft- und Raumfahrt e.V. mit Mitteln des Bundesministeriums für Wirtschaft und Technologie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestages unter dem Förderkennzeichen 50 EE 1011).

This research project aims on the development of a Self-taught Learning framework for the land cover classification of remote sensing data. The approach enables the use of labeled pixels (i.e., with reference information) and unlabeled pixels from arbitrary scenes and different acquisitions dates. In contrast to semi-supervised frameworks, the unlabeled data can contain unknown and irrelevant classes. Moreover, the classes need not to be explicitly modeled. The developed framework will be used for classifying remote sensing data from different study sites and sensors.

Project Duration: 08/2013 - 07/2016

Principal Investigator: Prof. Dr. Björn Waske

Projects staff: Dr. Ribana Roscher

Project partners:

-       University of Bonn, Institute of Geodesy and Geoinformation

Funding:  DFG - German Research Foundation (WA 2728/3-1)

Sentinels supporting carbon estimates and REDD+ (SenseCarbon)

SenseCarbon develops methods to improve the mapping of REDD+ relevant land use and land cover change processes. In preparation of the upcoming Sentinel missions, SenseCarbon uses existing optical and SAR remote sensing data archives of different spatial and temporal resolutions. Our research preliminary focus on the development of advanced image processing techniques including state-of-the art (i) classification methods, (ii) fusion of X-band + C-Band as well as multispectral + SAR data, and (iii) analysis of SAR time series. Besides the methodological development, the projects aims on the generation of recent and historic land cover for study sites in the Brazilian Amazon

Project Duration: 05/2013 - 04/2016

Principal Investigator: Prof. Dr. Björn Waske

Projects staff: Ron Hagensieker

Project partners:

-       Prof. Dr. Patrick Hostert, Humboldt Universität zu Berlin, Geomatics Lab

Funding: German Aerospace Centre (DLR) - Project Management Agency (Gefördert durch die Bundesrepublik Deutschland, Zuwendungsgeber: Raumfahrt-Agentur des Deutschen Zentrums für Luft- und Raumfahrt e.V. mit Mitteln des Bundesministeriums für Wirtschaft und Technologie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestages unter dem Förderkennzeichen 50 EE 1255).

Datengrundlagen für SOIL-DE sind verfügbare Basisdaten für Deutschland (z.B. Geländemodelle, Bodenkarten, Klima- und Wetterdaten), auszuwertende Daten der europäischen LUCAS-Erhebungen, historische Satellitendaten des LANDSAT-Archivs, sowie aktuelle Satellitendaten des europäischen Copernicus Programms. Die abgeleiteten Informationen sollen bestehende Bewertungssysteme erweitern und als Entscheidungshilfe in eine nachhaltige und langfristige Flächenentwicklung einfließen können. Die Auswertung von Zeitreihen hochaufgelöster Satellitenbilddaten (10 m bis 30 m Pixelauflösung) mit völlig neuen Methoden stellt außerdem einen neuartigen Weg für die Detaillierung bestehender Bodeninformationen dar. Die Gefährdung von Boden, dessen Fruchtbarkeit und Funktionen durch Änderung der Bodennutzung beeinträchtigt werden, soll durch die Auswertung von Zeitserien aus Satellitenbildern in Kombination mit offiziellen Bodeninformationen unterschiedlicher räumlicher und thematischer Auflösung bundes- und bundeslandweit erfasst werden. Ziel dieser Erhebung ist es, den Flächenverlust der vergangenen zehn Jahre flächenscharf zu detektieren, erstmals die Ertragsfähigkeit der Böden zu eruieren und Risikogebiete, d.h. Regionen mit besonders hohen Verlustraten und hohen Ertragsfähigkeiten zu identifizieren.

The joined research project (Planungsbüro Zumbroich, Bonn) aimed on the development of robust and (semi-)automated methods that can be used for pre-mapping in structure-ecological surveys of river courses. Additionally, we traget change detection methods that will be specifically adapted in order to verify if proposed renaturation actions have been carried out without dedicated field surveys. The project is based on a combined analysis of SAR and multispectral remote sensing data from the high-resolution satellite systems TerraSAR-X and RapidEye. Therefore the project targets fundamental mapping requirements addressed by the EU water framework directive.

Project Duration: 06/2009 - 12/2012

Principal Investigator: Prof. Dr. Björn Waske (previously Prof. Dr. M. Braun – University Erlangen-Nürnberg)

Projects staff: Sascha Klemenjak

Project partners:

-       Planungsbüro Zumbroich, Bonn

Funding: German Aerospace Centre (DLR) - Project Management Agency (Gefördert durch die Bundesrepublik Deutschland, Zuwendungsgeber: Raumfahrt-Agentur des Deutschen Zentrums für Luft- und Raumfahrt e.V. mit Mitteln des Bundesministeriums für Wirtschaft und Technologie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestages unter dem Förderkennzeichen 50 EE 1011).